ความก้าวหน้าของซูเปอร์คอมพิวเตอร์: การใช้เครือข่ายออปติก neuromorphic

ในช่วงสองสามทศวรรษที่ผ่านมา กฎของมัวร์ซึ่งครั้งหนึ่งเคยเป็นที่รู้จักและแม่นยำซึ่งกอร์ดอน มัวร์แห่งไอบีเอ็มคาดการณ์ไว้ในปี 1965 ในปัจจุบันกำลังกลายเป็นตัวชี้วัดประสิทธิภาพการประมวลผลที่ค่อยๆ หายไปอย่างช้าๆ กฎของมัวร์ทำนายว่าทุกๆ สองปี จำนวนทรานซิสเตอร์ในวงจรรวมจะเพิ่มขึ้นเป็นสองเท่า และจะมีทรานซิสเตอร์มากขึ้นในพื้นที่เท่าเดิม ส่งผลให้การคำนวณเพิ่มขึ้นและทำให้ประสิทธิภาพของคอมพิวเตอร์ลดลง ในเดือนเมษายน พ.ศ. 2005 ในการให้สัมภาษณ์ กอร์ดอน มัวร์เองก็กล่าวว่าการคาดการณ์ของเขาไม่น่าจะยั่งยืนอีกต่อไป: "ในแง่ของขนาด [ของทรานซิสเตอร์] คุณจะเห็นว่าเรากำลังเข้าใกล้ขนาดของอะตอมซึ่งเป็นอุปสรรคพื้นฐาน แต่มัน จะใช้เวลาสองหรือสามชั่วอายุคนก่อนที่เราจะไปไกลขนาดนั้น—แต่นั่นก็ไกลที่สุดเท่าที่เราเคยเห็นมา เรามีเวลาอีก 10 ถึง 20 ปีก่อนที่เราจะถึงขีดจำกัดพื้นฐาน”   

แม้ว่ากฎของมัวร์ถึงวาระที่จะถึงทางตัน แต่ตัวชี้วัดอื่น ๆ ของการคำนวณก็พบว่ามีการบังคับใช้เพิ่มขึ้น ด้วยเทคโนโลยีที่เราใช้ในชีวิตประจำวัน เราทุกคนสามารถเห็นแนวโน้มของคอมพิวเตอร์ที่เล็กลงเรื่อยๆ แต่แบตเตอรี่ของอุปกรณ์ก็มีอายุการใช้งานยาวนานขึ้นเรื่อยๆ แนวโน้มหลังเกี่ยวกับแบตเตอรี่เรียกว่ากฎของ Koomey ซึ่งตั้งชื่อตามศาสตราจารย์ Jonathan Koomey แห่งมหาวิทยาลัยสแตนฟอร์ด กฎของ Koomey คาดการณ์ว่า "... เมื่อโหลดการประมวลผลคงที่ ปริมาณแบตเตอรี่ที่คุณต้องการจะลดลงสองเท่าทุกๆ ครึ่งปี" ดังนั้นการใช้พลังงานอิเล็กทรอนิกส์หรือประสิทธิภาพการใช้พลังงานของคอมพิวเตอร์จึงเพิ่มขึ้นสองเท่าทุกๆ 18 เดือน ดังนั้นสิ่งที่แนวโน้มและการเปลี่ยนแปลงเหล่านี้ชี้ให้เห็นและเปิดเผยคืออนาคตของการประมวลผล

อนาคตของคอมพิวเตอร์

เรามาถึงช่วงเวลาในประวัติศาสตร์ที่เราต้องกำหนดนิยามใหม่ให้กับคอมพิวเตอร์ เนื่องจากแนวโน้มและกฎหมายที่คาดการณ์ไว้เมื่อหลายสิบปีก่อนไม่สามารถนำมาใช้ได้อีกต่อไป นอกจากนี้ ในขณะที่การประมวลผลก้าวไปสู่ระดับนาโนและควอนตัม ก็มีข้อจำกัดทางกายภาพและความท้าทายที่ชัดเจนที่ต้องเอาชนะ บางทีความพยายามที่โดดเด่นที่สุดในการประมวลผลแบบซูเปอร์คอมพิวเตอร์ นั่นคือ การคำนวณแบบควอนตัม มีความท้าทายที่ชัดเจนในการควบคุมการพันกันของควอนตัมอย่างแท้จริงสำหรับการคำนวณแบบคู่ขนาน กล่าวคือ ดำเนินการคำนวณก่อนการแยกส่วนควอนตัม อย่างไรก็ตาม แม้ว่าการประมวลผลควอนตัมจะมีความท้าทาย แต่ก็มีความก้าวหน้าอย่างมากในช่วงไม่กี่ทศวรรษที่ผ่านมา เราสามารถพบแบบจำลองของสถาปัตยกรรมคอมพิวเตอร์ John von Neumann แบบดั้งเดิมที่นำไปใช้กับการคำนวณควอนตัม แต่มีอีกขอบเขตหนึ่งของการประมวลผล (ขั้นสูง) ที่ยังไม่เป็นที่รู้จัก ซึ่งเรียกว่าการประมวลผลแบบนิวโรมอร์ฟิก ซึ่งไม่เป็นไปตามสถาปัตยกรรม von Neumann แบบดั้งเดิม 

คาร์เวอร์ มี้ด ศาสตราจารย์แห่งคาลเทคเคยจินตนาการถึงการประมวลผลแบบนิวโรมอร์ฟิกในรายงานวิจัยของเขาในปี 1990 โดยพื้นฐานแล้ว หลักการของการคำนวณแบบนิวโรมอร์ฟิกนั้นมีพื้นฐานมาจากหลักการทางชีววิทยาเชิงทฤษฎีของการกระทำ เช่นเดียวกับที่สมองมนุษย์คิดว่าจะใช้ในการคำนวณ ความแตกต่างที่ชัดเจนระหว่างทฤษฎีการคำนวณแบบนิวโรมอร์ฟิกกับทฤษฎีการคำนวณแบบคลาสสิกของฟอน นอยมันน์ ได้รับการสรุปไว้ในบทความของดอน มอนโรใน สมาคมเพื่อการคำนวณเครื่องจักร วารสาร. ข้อความดังกล่าวเป็นดังนี้: “ในสถาปัตยกรรม von Neumann แบบดั้งเดิม ลอจิกคอร์ที่ทรงพลัง (หรือหลายคอร์ขนานกัน) ทำงานตามลำดับบนข้อมูลที่ดึงมาจากหน่วยความจำ ในทางตรงกันข้าม การคำนวณแบบ 'นิวโรมอร์ฟิก' จะกระจายทั้งการคำนวณและหน่วยความจำไปยัง 'เซลล์ประสาท' ที่ค่อนข้างดึกดำบรรพ์จำนวนมหาศาล ซึ่งแต่ละเซลล์จะสื่อสารกับเซลล์ประสาทอื่น ๆ หลายร้อยหรือหลายพันเซลล์ผ่าน 'ไซแนปส์'”  

คุณสมบัติที่สำคัญอื่นๆ ของการคำนวณแบบนิวโรมอร์ฟิก ได้แก่ การแพ้ต่อความผิดพลาด ซึ่งมีจุดมุ่งหมายเพื่อจำลองความสามารถของสมองมนุษย์ในการสูญเสียเซลล์ประสาทและยังคงสามารถทำงานได้ ในการคำนวณแบบดั้งเดิม การสูญเสียทรานซิสเตอร์หนึ่งตัวจะส่งผลต่อการทำงานที่เหมาะสม ข้อได้เปรียบที่คาดหวังและมุ่งเป้าอีกประการหนึ่งของการคำนวณแบบนิวโรมอร์ฟิกคือไม่จำเป็นต้องตั้งโปรแกรม เป้าหมายสุดท้ายนี้คือการสร้างแบบจำลองความสามารถของสมองมนุษย์ในการเรียนรู้ ตอบสนอง และปรับตัวเข้ากับสัญญาณอีกครั้ง ดังนั้นในปัจจุบันการคำนวณแบบนิวโรมอร์ฟิกจึงเป็นตัวเลือกที่ดีที่สุดสำหรับการเรียนรู้ของเครื่องและงานปัญญาประดิษฐ์ 

ความก้าวหน้าของซูเปอร์คอมพิวเตอร์แบบนิวโรมอร์ฟิก

ส่วนที่เหลือของบทความนี้จะเจาะลึกถึงความก้าวหน้าของซูเปอร์คอมพิวเตอร์แบบนิวโรมอร์ฟิก โดยเฉพาะงานวิจัยที่ตีพิมพ์เมื่อเร็วๆ นี้เกี่ยวกับ Arxiv จาก Alexander Tait et อัล จากมหาวิทยาลัยพรินซ์ตันแสดงให้เห็นว่าโมเดลโครงข่ายประสาทเทียมที่ใช้ซิลิคอนมีประสิทธิภาพเหนือกว่าแนวทางการประมวลผลแบบเดิมๆ เกือบ 2000 เท่า แพลตฟอร์มการประมวลผลโฟโตนิกแบบ neuromorphic นี้อาจนำไปสู่การประมวลผลข้อมูลที่รวดเร็วมาก 

เดอะไทต์และ. อัล กระดาษมีสิทธิ นิวโรมอร์ฟิค ซิลิคอน โฟโตนิกส์ เริ่มต้นด้วยการอธิบายข้อดีข้อเสียของการใช้รังสีแม่เหล็กไฟฟ้าในรูปแบบแสงโฟโตนิกสำหรับการคำนวณ ประเด็นหลักเบื้องต้นของบทความนี้คือแสงมีการใช้กันอย่างแพร่หลายในการส่งข้อมูล แต่ไม่ใช่เพื่อการแปลงข้อมูล เช่น การประมวลผลแสงแบบดิจิทัล ในทำนองเดียวกัน สำหรับการประมวลผลควอนตัม มีความท้าทายทางกายภาพขั้นพื้นฐานสำหรับการประมวลผลออปติคอลดิจิทัล จากนั้นบทความนี้จะกล่าวถึงรายละเอียดของแพลตฟอร์มการคำนวณโฟโตนิกแบบ neuromorphic ที่เสนอก่อนหน้านี้คือ Tait et อัล ทีมงานที่ตีพิมพ์ในปี 2014 มีชื่อว่า การออกอากาศและน้ำหนัก: เครือข่ายแบบรวมสำหรับการประมวลผลโฟโตนิกสไปค์ที่ปรับขนาดได้. บทความใหม่ของพวกเขาอธิบายถึงผลลัพธ์ของการสาธิตการทดลองครั้งแรกของเครือข่ายประสาทโทนิคแบบรวม 

ในสถาปัตยกรรมการคำนวณ "การออกอากาศและน้ำหนัก" "โหนด" ได้รับการกำหนดให้เป็น "พาหะความยาวคลื่น" ที่เป็นเอกลักษณ์ นั่นคือ "มัลติเพล็กซ์แบบแบ่งความยาวคลื่น (WDM)" จากนั้นจึงออกอากาศไปยัง "โหนด" อื่นๆ “โหนด” ในสถาปัตยกรรมนี้มีไว้เพื่อจำลองพฤติกรรมของเซลล์ประสาทในสมองของมนุษย์ จากนั้นสัญญาณ “WDM” จะถูกประมวลผลผ่านตัวกรองค่าต่อเนื่องที่เรียกว่า “ธนาคารตุ้มน้ำหนักระดับไมโครริง (MRR)” จากนั้นจึงรวมทางไฟฟ้าเป็นค่าการตรวจจับกำลังทั้งหมดที่วัดได้ ความไม่เชิงเส้นของการแปลง/การคำนวณด้วยไฟฟ้าแก้วนำแสงครั้งล่าสุดนี้เป็นความไม่เชิงเส้นที่จำเป็นในการเลียนแบบการทำงานของเซลล์ประสาท ซึ่งจำเป็นต่อการคำนวณภายใต้หลักการของนิวโรมอร์ฟิก 

ในรายงาน พวกเขาอภิปรายว่าการเปลี่ยนแปลงการเปลี่ยนแปลงด้วยไฟฟ้าออปติกที่ได้รับการตรวจสอบจากการทดลองเหล่านี้มีความเหมือนกันทางคณิตศาสตร์กับโมเดล "โครงข่ายประสาทเทียมแบบต่อเนื่องเวลาต่อเนื่องแบบ 2 โหนด" (CTRNN) ผลการสำรวจเหล่านี้ชี้ให้เห็นว่าเครื่องมือการเขียนโปรแกรมที่ใช้สำหรับโมเดล CTRNN สามารถนำไปใช้กับแพลตฟอร์ม neuromorphic ที่ใช้ซิลิคอนได้ การค้นพบนี้เปิดเส้นทางสู่การปรับวิธีการ CTRNN ให้เข้ากับโฟโตนิกของซิลิคอนแบบนิวโรมอร์ฟิก ในรายงานของพวกเขา พวกเขาทำเพียงการปรับโมเดลดังกล่าวให้เข้ากับสถาปัตยกรรม "การออกอากาศและน้ำหนัก" ผลการวิจัยพบว่าโมเดล CTRNN ที่จำลองบนสถาปัตยกรรม 49 โหนดทำให้สถาปัตยกรรมการประมวลผลแบบนิวโรมอร์ฟิกมีประสิทธิภาพเหนือกว่าโมเดลการประมวลผลแบบคลาสสิกถึง 3 ลำดับความสำคัญ